update readme.

README.md

@@ -12,14 +12,24 @@ A pytorch implementation for paper *[Unsupervised Domain Adaptation by Backpropa
 - Python 2.7/3.6
 - PyTorch 0.3.1post2
 
+## Note
+
+- `Config()` 为针对特定任务的配置参数。
+- `MNISTmodel()` 完全按照论文中的结构，但是 feature 部分添加了 `Dropout2d()`，实验发现是否添
+  加 `Dropout2d()` 对于最后的性能影响很大。最后实验重现结果高于论文，因为使用了额外的技巧，这里
+  还有值得探究的地方。
+- `SVHNmodel()` 无法理解论文中提出的结构，为自定义结构。最后实验重现结果完美。
+
 ## Result
 
-results of the default `params.py`
+|                 | MNIST-MNISTM   | SVHN-MNIST |
+| :-------------: | :------------: | :--------: |
+| Source Only     |   0.5225       |  0.5490    |
+| DANN            |   0.7666       |  0.7385    |
+| This Repo       |   0.8400       |  0.7339    |
 
-|                                    | SVHN (Source)  | MNIST (Target)|
-| :--------------------------------: | :------------: | :-----------: |
-| Source Classifier                  |   92.92%   |  68.66%   |
-| DANN                               |                |  ----%   |
+- MNIST-MNISTM: `python mnist_mnistm.py`
+- SVHN-MNIST: `python svhn_mnist.py`
 
 ## Other implementations
 
@@ -27,6 +37,8 @@ results of the default `params.py`
 - TensorFlow, <https://github.com/pumpikano/tf-dann>
 - Theano, <https://github.com/shucunt/domain_adaptation>
 - PyTorch, <https://github.com/fungtion/DANN>
+- numpy, <https://github.com/GRAAL-Research/domain_adversarial_neural_network>
+- lua, <https://github.com/gmarceaucaron/dann>
 
 ## Credit